本文是一篇针对少样本学习（Few-Shot Learning, FSL）在网络入侵检测（NIDS）中应用的系统性文献综述。研究背景在于：基于异常的 NIDS 是防御体系的第一道防线，但要让检测系统识别新型攻击，需要大量带标签的攻击样本，而现实中这类标注数据极其稀缺（新攻击类型刚出现时往往只有极少样例）。少样本学习通过在每类仅几个样本的条件下学习，被视为缓解该问题的可行路径。然而现有研究在方法选择、数据集、实验参数和评估协议上差异极大，导致结论难以横向比较，也无法判断哪些方案真正可落地。作者采用类 PRISMA 2020 的系统性综述流程，检索 ACM Digital Library、IEEE Xplore 和 Scopus 三大数据库，初步获得 1,358 条记录，经过筛选、去重与质量过滤后最终保留 21 篇研究。作者对这些研究使用的 FSL 方法、数据集和实验参数进行分类归纳，并对比其报告的性能指标。主要发现包括：元学习（meta-learning）与卷积神经网络（CNN）是最常见的技术路线，分别出现在 8 篇和 10 篇研究中；多数研究在每类不超过 5 个样本的条件下评估（具体设置差异较大）；CIC-IDS2017 与 CSE-CIC-IDS2018 是最常用的评测数据集。作者同时指出关键的可复现性缺陷：大量研究缺失关键超参数说明且未公开源代码，使得结果难以复现，也无法在不同方法之间做直接、公平的比较。该综述的价值在于为后续研究提供了方法和评测协议的统一视角，并明确指出了当前 FSL-NIDS 领域在标准化基准、参数报告和开源复现方面的空白。适合入侵检测研究者、数据集与评测基准建设者，以及在真实环境中部署异常检测系统的安全工程师阅读。

该研究针对网络流量入侵检测中长期存在的「概念漂移」问题：合法业务行为与攻击手法会同步演进，导致任何检测模型在两次更新之间的窗口期内迅速失效，检测方始终落后攻击者一步。作者提出把干预点从「漂移发生后再修复模型」前移到「训练之前先选好特征空间」，从而在方法论的层面改变应对范式。为此论文引入 t-robustness——一种针对单个特征独立定义、不依赖任何具体检测模型的稳定性评分，可在整个特征空间内横向比较。该评分由两部分构成：一是特征相邻统计状态之间的逐步距离（捕捉突变），二是特征相对初始状态的累积散度（捕捉长期偏移），二者结合使得缓慢而单调的漂移无法被误判为「稳定」，这正是传统漂移度量常见的盲区。候选特征并非直接取原始流统计量，而是从扫描、拒绝服务以及端点间通信所留下的异常网络连通性模式中提取，读取方式基于图社区指标（community metrics）与谱指标（spectral metrics），即将流量拓扑结构化为图后刻画其社区划分与谱特性。评估在 UGR16 数据集上完成，覆盖三种学习场景与一个对照场景，并额外测试了完全不进行模型更新的极端情形。结果显示：在基线方法检测能力崩溃之处，t-robust 特征空间仍能维持检测，最后一个测试区间的 retained expectancy 达到 0.6025，而图社区特征为 0.5230、基础 NetFlow 特征仅为 0.3831，验证了特征级稳定性筛选对缓解概念漂移的有效性。适合入侵检测、机器学习安全与漂移治理方向的研究者及检测工程团队阅读。

本文针对联邦学习在网络入侵检测（NIDS）中的应用，系统研究了隐私保护、鲁棒性和类别不平衡检测覆盖三者之间的权衡关系。联邦学习允许在不集中敏感流量数据的情况下进行协作训练，但在实际部署中必须同时满足三个相互竞争的要求：严格的差分隐私保证、对拜占庭恶意参与者的容忍能力，以及在严重类别不平衡下对各类攻击的可靠检测。现有文献往往将这三个性质视为可独立组合的模块，而本文从理论和实验两个层面挑战了这一假设。作者引入“几何不可区分性”作为概念框架，解释在客户端更新因隐私噪声而产生分散时，少数类攻击信号如何更难被鲁棒聚合机制保留。以UNSW-NB15数据集为案例，文章评估了DP-SGD与坐标中位数聚合在标签翻转和模型投毒攻击下的联合表现，并按攻击类别评估威胁覆盖率。结果表明，隐私噪声与鲁棒聚合的联合使用会不成比例地降低稀有攻击的检测率，相对于多数类而言性能退化更为显著。进一步的实验发现，强隐私条件下出现的性能崩塌部分源于训练过程中的校准错误，即使经过依赖ε的调参，超稀有攻击类别仍可能存在残余性能下限。这些发现说明，隐私、鲁棒性和稀有攻击覆盖不能被视为独立可组合的性质，而应联合建模与评估。作者提出，聚合感知的建模方法和样本感知的评估指标是构建可信联邦NIDS的有前途方向。本文适合关注联邦学习、对抗鲁棒性、隐私保护机器学习以及入侵检测系统的研究人员和安全工程师阅读。

本文针对网络入侵检测中标签噪声问题展开研究。标签噪声会导致模型错误分类和检测精度下降，现有去噪方法往往缺乏对网络流量的深层理解，盲目重构标签分布以过滤含噪样本，因而性能次优。作者从因果关联视角揭示了噪声标签对入侵检测模型的影响机制，指出性能退化源于网络流量中跨类别的局部特征一致性。基于此，提出了协作式标签去噪框架 CoLD。CoLD 首先将原始特征集划分为多个子集，并采用局部联合学习来破坏局部一致性，迫使编码器学习细粒度且鲁棒的表征；随后通过因果协作去噪机制，分析多个表征与其潜在真实标签之间的因果差异，检测并过滤噪声标签，从而得到净化数据集，用于训练抗噪分类器。在多个基准数据集上的实验表明，CoLD 能有效提升分类性能和标签噪声鲁棒性，展示了其在噪声环境下增强网络入侵检测系统的潜力。本文核心贡献包括：首次从因果关联角度解释噪声标签影响机制，提出结合局部联合学习和因果协作去噪的通用框架，并在公开数据集上验证有效性。适合入侵检测系统研发人员、机器学习鲁棒性研究者以及关注数据质量的安全分析人员阅读。

该论文针对网络入侵检测系统（NIDS）中误报率过高的问题，提出了一种名为BARS（良性锚定排序与选择）的特征选择方法。经典过滤式特征选择方法通常采用类别对称准则，忽略了入侵检测中正常流量与攻击流量的不对称性——正常流量构成基线而攻击是偏离。最近提出的类别不对称方法CMD（类均值偏差）虽然考虑了这一问题，但其得分锚定在全局均值上，在类别不平衡时全局均值会向攻击分布偏移，削弱了所需捕捉的偏差。BARS通过两阶段过滤替代CMD：第一阶段将锚点从全局均值替换为正常类均值，第二阶段实施保序去相关步骤。在CICIDS2017、CICDDoS2019和UNSW-NB15三个数据集上，使用特征预算k=5/10/20/30/40进行实验。在攻击占多数的数据集上（全局锚点偏差最严重），BARS相比CMD在UNSW-NB15（k=20）上误报率降低15.4%，在CICDDoS2019小特征预算下降低21%-23%，同时保持真正率和宏F1值。在正常占多数的数据上两者结果趋同，符合理论预期（全局锚点与正常锚点分数一致）。BARS是对CMD的原则性改进，并非全优方案。虽然皮尔逊相关系数和互信息特征选择常能达到更低的误报率，但在最大基准测试中内存消耗超过1TB。BARS保持线性时间评分和低内存占用，适合资源受限的部署环境。

本文针对基于自编码器的网络入侵检测系统（NIDS）面临的对抗性逃避攻击问题展开研究。攻击者利用 PANDA 框架，将网络流量中的报文序列转换为可逆灰度图像，从而将在视觉领域开发的对抗样本技术迁移到网络领域，例如使用掩蔽快速梯度符号法（masked FGSM）生成对抗性流量。此类攻击能够操纵自编码器 NIDS 的异常评分，同时保持攻击语义不变，使得防御者难以区分良性流量和精心扰动的恶意流量。为此，作者提出了两种互补的检测器：一是残差定位检测器（Residual Localisation Detector, RLD），它在图像空间中跟踪报文到达间隔时间特征区域的重建误差空间集中度；二是特征空间扰动一致性检测器（Feature-Space Perturbation Consistency Detecter, FPC），它直接在报文特征空间的报文到达间隔时间特征上操作。实验基于 UQ-IoT 数据集的多个 IoT 设备流量，包括良性、恶意和对抗性流量。评估结果表明，两种检测器在检测对抗样本时均能达到接近完美的性能（真阴性率、真阳性率、精确率、召回率和 F1 分数均超过 0.99）。作者认为，将基于重建的评分与扰动一致性检查相结合，同时在图像空间和报文特征空间进行检测，为防御针对 NIDS 的 PANDA 式对抗攻击提供了一种实用的方案。本文适合从事入侵检测、机器学习安全以及对抗性机器学习的研究人员和工程师阅读。

本文提出一种结合拓扑数据分析（TDA）与长短期记忆网络（LSTM）的混合方法，用于增强网络入侵检测系统（NIDS）的性能。研究背景：现代网络流量复杂多变，传统NIDS难以高效检测新型攻击。核心问题：如何同时捕捉网络流量的拓扑结构特征和时序依赖关系。方法：采用多层级架构，首先利用TDA中的持续同调（persistent homology）提取网络流量模式的拓扑特征（如Betti曲线和持续图），然后输入LSTM网络建模时间序列。实验使用CIC-IDS2017数据集，包含超过280万条带标签流、77个网络变量和14种攻击类别（如DDoS、暴力破解、Web攻击、渗透、僵尸网络）。主要贡献：混合模型在AUC和F1-score上均达到1.000，5折交叉验证平均AUC=1.000±0.000，平均F1=0.999±0.001。消融实验表明拓扑特征（F1=0.990）和时序特征（F1=1.000）互补。与TDA+随机森林（F1=0.994）和孤立森林（F1=0.835）基准相比，所提方法在多个攻击类别上表现最优。适合安全研究人员、NIDS开发者阅读。

该论文针对现有基于图神经网络（GNN）的网络入侵检测系统（NIDS）的局限性——将流量流视为时间独立且依赖有监督学习——提出了一种时间感知的自监督时空图对比学习框架。研究背景：GNN在建模网络流量关系方面有效，但多数方法忽略时间动态特征，且依赖标签导致泛化能力不足。核心问题：如何利用真实时间戳捕获流量时序依赖，并在无标签情况下学习鲁棒表示。方法：首先按时间戳构建一系列时序图，然后使用基于E-GraphSAGE和LSTM的编码器提取时空依赖（避免注意力机制的高开销），接着设计多视图图对比学习方案，联合进行时间对比、空间对比和特征对比，分别捕获时间连续性、保持结构一致性、提升泛化性和鲁棒性。此外，引入基于梯度范数的自适应权重策略优化对比损失。在四个带有真实时间戳的NIDS数据集上实验，该方法显著优于现有自监督方法，性能与有监督的SOTA GNN方法相当，且计算效率高。主要贡献：首次在自监督GNN-NIDS中显式利用真实时间戳，提出高效时空编码器和多视图对比学习方案，以及自适应损失加权策略。适合NIDS研究人员、安全机器学习从业者阅读。

本文系统性评估了机器学习驱动的网络入侵检测系统（NIDS）在面对对抗性攻击时的鲁棒性。尽管已有研究揭示了ML模型在特定场景下的脆弱性，但缺乏跨架构、跨攻击类别和攻击类型的系统比较，导致安全从业人员在选择模型时缺乏明确指导。作者选取了三种主流分类器架构——1D卷积神经网络（CNN）、长短期记忆网络（LSTM）和随机森林（RF）集成，并在ACI-IoT-2023数据集（包含超过120万样本，涵盖12种攻击类型）上进行实验。对抗攻击采用FGSM和PGD方法，在归一化特征空间施加梯度扰动，扰动预算从ε=0.01到ε=0.1。结果显示：随机森立基线准确率高达99.98%，但受到攻击时性能急剧下降，即使在最小扰动ε=0.01下也下降了73个百分点；CNN则展现出优雅退化特性，在ε=0.01时仍保持95.5%的准确率；LSTM性能介于两者之间。这一发现颠覆了“高基线准确率意味着高鲁棒性”的传统认知。作者建议在对抗性环境中部署基于CNN的NIDS，并针对不同场景给出了具体部署建议。

该论文针对网络入侵检测系统（NIDS）在高维、高度不平衡流量场景下的特征选择问题，提出了一种名为nCMD（benign-anchored Classwise Mean Deviation）的轻量级、可解释的特征选择方法。传统过滤方法使用全局统计量（如卡方检验、互信息）对称地跨类别计算特征得分，无法捕捉入侵检测中攻击流量是主导良性流量偏离的本质。nCMD基于良性类锚定思想，将每个攻击类别的分布与良性类均值比较，计算特征对偏离程度的贡献，从而更贴合NIDS的操作语义，且不增加计算成本。在CICIDS2017、CICDDoS2019、NSL-KDD和UNSW-NB15四个基准数据集上，结合不同特征预算和三种下游分类器（如决策树、随机森林、逻辑回归），nCMD在宏平均F1得分上匹配或优于经典过滤方法，并在四个数据集中的三个上取得最佳结果，尤其在特征预算紧张和严重类别不平衡时提升显著。实验表明，nCMD作为资源受限NIDS的预处理组件具有可扩展性和可解释性。

本文系统评估了脉冲神经网络（SNN）的不同配置（神经元模型与脉冲编码方案）在网络入侵检测中的性能。背景：传统深度学习模型计算需求高，难以部署到边缘设备和神经形态硬件，而SNN具有低功耗、事件驱动的特性，是潜在替代方案。但SNN的神经元模型和编码方案选择对入侵检测效果的影响尚不明确。方法：作者在snntorch框架上实现了9种神经元模型与3种脉冲编码方案（速率编码、增量编码、延迟编码）的27种组合，对NSL-KDD、KDDCup99、CIC-IDS2017、CTU-13四个基准数据集进行控制消融实验，仅对原始输入做有限预处理，并使用5个随机种子确保统计可靠性。结果：发现脉冲编码方案比神经元模型对检测质量影响更大；延迟编码优于速率编码和增量编码；LeakyParallel神经元配合延迟编码在四个数据集上平均准确率92.11%，宏F1分数0.80，假阳性率2.01%，在CIC-IDS2017和CTU-13上接近完美，且推理速度最快。结论：SNN在低延迟或资源受限场景下可作为传统入侵检测方法的有效替代。该研究为SNN在网络入侵检测中的应用提供了设计指南。

本文针对基于机器学习的网络入侵检测系统（ML-NIDS）的对抗鲁棒性研究提出关键反思。现有大量工作通过向预收集的数据点（如路由器捕获的数据包或ML-NIDS分析的网络流）施加微小扰动来评估ML-NIDS的安全性，但作者指出，真实攻击者只能控制网络中少数无特权的主机，其扰动施加范围受限于主机层面（即“host-space”）。通过系统文献综述（n=316），作者发现先前研究大多忽略了这一约束，其扰动操作可能超出攻击者实际能力。为填补这一空白，本文正式定义了“主机空间对抗扰动”，即攻击者仅通过修改自身可控主机上的行为（如改变SSH暴力破解命令字符串中的一个字符）来产生对抗样本。实验基于公开基准和真实网络，结果表明：能够检测特定命令字符串SSH暴力尝试的ML-NIDS，当攻击者将该字符串仅修改一个字符后，完全无法检测任何后续尝试。作者进一步分析了这种问题空间（主机）微小变化如何导致特征空间的灾难性影响，并总结了评估主机空间扰动的实践教训。本文呼吁重新评估ML-NIDS的安全性，强调应从攻击者可操作的真实主机视角进行鲁棒性测试。

网络入侵检测系统（NIDS）通过检测恶意流量并交由安全运营中心调查，在保护网络中发挥关键作用。现有最先进的方法利用监督机器学习训练分类模型识别已知网络攻击，但这些模型需要大量标注数据集，且在较小数据集上训练时性能较差。为解决这一缺陷，异常检测模型学习正常流量分布并将不符合的流量标记为恶意——虽然不需要恶意样本训练，但误报率高，实用性低。因此，当特定攻击类别的标注实例不足时（例如新建立网络或出现未见过的攻击类型），网络可能特别脆弱。本文提出使用三元组网络（triplet network），结合在线三元组挖掘（online triplet mining）和K近邻（KNN）分类器，实现小样本（few-shot）分类，从而在仅用有限恶意样本训练后即可进行有效入侵检测。作者探索了多种在线三元组挖掘算法，并通过一系列消融实验比较和评估模型设计选择，如推理算法和优化的距离度量。最终模型在小样本二分类和多分类任务中与现有最先进方法进行比较，结果表明：在每类仅用10个恶意样本训练时，所提方法性能与现有方法相当。该工作为网络攻击检测中标注数据稀缺场景提供了新思路。

该论文针对网络入侵检测系统（NIDS）中依赖人工特征工程的问题，系统评估了表格表示学习技术在NetFlow数据上的有效性。传统的NIDS需要专家手动提取特征，这与现代机器学习模型自动学习表示的理念相悖。论文选择了多种先进的表格表示学习方法（如TabICL）与传统的自编码器以及端到端Transformer基线进行对比，在CIDDS等基准NetFlow数据集上进行了全面的超参数搜索和评估。实验涵盖监督分类和无监督异常检测两类下游任务。结果表明，不同数据集上最佳方法差异显著：监督分类中，TabICL在CIDDS上表现最优，而自编码器在平均排名上与Transformer模型持平；无监督方法整体弱于监督方法，且最优组合因数据集而异。跨数据集迁移实验显示，通过选择合适的表示学习方法和分类器，学习到的特征可以跨网络环境泛化，但迁移效果强烈依赖于源-目标数据集的分布相似性。该研究为NIDS中自动化特征学习提供了重要的经验性指导。